专利交易市场

一种基于香农熵的多阶段蛋白质结构预测方法，首先利用Rosetta Abinitio协议对搜索空间进行搜索，通过对背景点的聚类找到潜在天然态区域；然后，在群体进化算法的框架下分阶段执行预测过程，分析每一代种群与潜在天然态区域的关系，通过分类来表明当前种群所处的进化状态；其次，计算种群前后两代的状态转移矩阵并用香农熵来衡量种群的状态转化情况；最后，根据香农熵值在某一阈值内的累计次数进行阶段切换，以最后一代种群作为最终预测结果。本发明提供一种基于香农熵的多阶段蛋白质结构预测方法，根据香农熵进行阶段的动态切换，使得算法的预测精度和鲁棒性显著提高。

一种基于流形学习与闭环深度卷积双网络模型的基因特征提取方法，包括以下步骤：第一步，基于流形学习的癌症关联基因特征粗提取，第二步，基于闭环深度卷积双网络结构的基因特征精细提取，过程如下：采用正向卷积神经网络和反向卷积神经网络相结合的双网络结构，利用卷积神经网络的特征提取能力对基因表达数据集进行深度抽象，最终投影出关键特征；反向卷积神经网络实现关键特征的逆投影。本发明提供一种最大程度保留基因特征并实现快速降维的基于流形学习与闭环深度卷积双网络模型的基因特征提取方法。

本发明公开了一种基于可视图算法的基因表达时序数据分类方法，包括：1)构建基础网络，根据已经进行预处理的基因表达时序数据选取数据条，通过可视图算法构建可视图与连接图，并确定共表达网络的基本结构；2)根据得到的基础网络提取相关传统特征；3)利用二阶随机行走与神经网络模型学习得到基础网络中各个基因节点的特征向量；4)整合基础网络的特征，通过密度聚类算法，基于得到的基础网络的特征使用不同策略，完成对基因表达时序数据的分类。本发明提供一种具有良好的精度和实用性能，采用可视图基础网络构建和节点特征向量提取以及密度聚类算法实现基因表达时序数据分类的方法。

本发明提供的针对质谱缺失蛋白质数据的分类方法，其特征在于：包括对质谱缺失蛋白质数据进行预处理，所述预处理过程包括:对蛋白质确实数据的原始质谱进行滑动平均补值处理。将处理后的质谱数据转化为小波谱数据，并对小波谱数据中的有用信息进行噪声过滤，根据特征信息，将对所述小波谱数据中的有用信息区别度检验，对经过区别度检验的数据进行训练和分类；本发明中的针对质谱缺失蛋白质数据的分类方法，对质谱缺失蛋白质数据进行预处理，在通过SVM支持向量机的分类方法对经过预处理后的数据进行训练和分类，可以针对长度不一致以及特征不明显的恶劣数据，识别区分特征，最终实现准确分类。

本发明公开了一种基于深度学习算法进行基因关联分析的方法。本发明基于SNP集分析的方法需要借鉴来自同一个体不同位置但是相关的SNP信息，根据现有生物学知识将个体的SNP分成多个单元。首先在整个染色体层面，根据生物学相关知识，如接近基因组特征的原则，将全体SNP划分成多个SNP集。划分结束后，每一个SNP集输入到搭建的双向LSTM网络中，该网络是一个循环神经网络，它的状态包含上一时刻的陈旧信息，同时又是下一时刻权值变化的依据。LSTM网络学习完成后，可以通过网络的计算，输出对输入数据所需关注程度。本发明具有更好的敏感度和特异度，为临床医学、遗传病学和预防医学的发展研究开拓了新的领域。

本发明公开了一种大规模跨平台基因表达数据分类方法，包括以下步骤：S1、获取训练集，初始化分类器；S2、对训练集进行数据转换；S3、根据训练集计算相对偏移表；S4、生成候选偏序对，并计算出候选偏序对中的top偏序规则r；S5、更新分类器和训练集；S6、判断样本量与最小支持度θ的大小；S7、设定分类器CL缺省类；S8、预测分类。本发明针对跨平台基因数据挖掘这个问题，通过数据转换，提出了新的偏序对规则挖掘算法和分类模式，可以处理跨平台基因数据的差异性，不仅可以应对更复杂的数据分布，并且通过相对偏移表进行规则预筛选，显著提升了挖掘效率，能够应用于大规模数据上。